IBM выпускает модель временных рядов Granite PatchTST‑FM‑R2 Zero‑Shot

IBM выпустила Granite Time Series PatchTST‑FM‑r2 9 сентября 2026 года, модель прогнозирования временных рядов с нулевым обучением, содержащую около 385 млн параметров, с двойной лицензией Apache 2.0 и OpenMDW 1.0 от Linux Foundation. Весы модели, архитектура, конвейер вывода и код, необходимые для воспроизведения её результатов benchmark, были опубликованы открыто вместе с релизом.

IBM анонсировала модель в блоге Hugging Face авторами IBM Research, представив её как преемницу PatchTST‑FM‑r1 и новейшую модель семейства фундаментальных моделей временных рядов Granite. Согласно анонсу, PatchTST‑FM‑r2 сочетает обновлённую архитектуру, более крупный корпус предобучения, вероятностное прогнозирование и поддержку импутации пропущенных значений, и генерирует прогнозы для новых данных без дообучения или настройки под конкретную задачу.

Сообщённые результаты GIFT‑Eval

GIFT‑Eval — это всесторонний бенчмарк для оценки моделей прогнозирования на разнообразных наборах данных и сценариях, где более низкие значения лучше как для CRPS, так и для MASE, двух метрик, о которых сообщает IBM. IBM заявила, что по состоянию на 8 сентября 2026 года PatchTST‑FM‑r2 занимает второе место среди воспроизводимых моделей zero‑shot по обеим метрикам и является лучшей в этой категории среди моделей, выпущенных под разрешительными, коммерчески‑дружественными лицензиями. В анонсе указаны геометрические средние: CRPS = 0.467 (непосредственно позади TimesFM‑3) и MASE = 0.6846.

Некоторые модели в GIFT‑Eval классифицируются как предобученные, а не строго zero‑shot, что означает, что они могут включать обучающие части наборов данных бенчмарка в свои корпуса предобучения. IBM сообщила, что даже при добавлении этих моделей в сравнение PatchTST‑FM‑r2 занимает третье место по CRPS и четвертое по MASE среди воспроизводимых моделей, опережая предобученные Chronos‑2, Timer‑S1 и варианты Toto, некоторые из которых значительно крупнее.

Карточка модели, написанная Jiri Navratil, Wesley M. Gifford, Yunshi Wen, Chandra K. Reddy и Agung Julius, фиксирует второе место среди воспроизводимых zero‑shot моделей на 31 августа 2026 года и отмечает, что результаты модели находятся в ожидающем pull‑request, отправленном в бенчмарк GIFT‑Eval; в анонсе та же позиция указана на 8 сентября 2026 года.

Архитектура Conformer

PatchTST‑FM‑r2 сохраняет патч‑базированное представление своего предшественника, но заменяет стандартные блоки трансформера на блоки conformer, дизайн которых возник в обработке речи. Каждый блок содержит два полушаговых слоя feed‑forward, окружающих многоголовое самовнимание и слой временной свёртки, при этом размеры ядер свёртки чередуются 3 и 5 в повторяющемся шаблоне {5, 5, 3, 3}. IBM заявила, что компонент свёртки фиксирует краткосрочную временную структуру, позволяя механизму внимания сосредоточиться на дальних взаимосвязях между патчами.

Модель использует патчи с 50 % перекрытием — длина патча 16, шаг 8 — с взвешиванием по окну Хэмминга во время обучения и прогнозированием методом overlap‑and‑add при выводе, а также предголовным layer norm для стабильности обучения. Она имеет скрытое измерение 1024 и 30 блоков (по сравнению с 20 в r1), поддерживает длину контекста до 8 192 шагов и предсказывает 99 квантилей при гибкой длине прогноза, генерируя как точечные прогнозы, так и интервалы неопределённости. Реализация доступна в открытом репозитории granite‑tsfm и остаётся совместимой с контрольными точками PatchTST‑FM‑r1.

Данные обучения и лицензирование

Документированный корпус предобучения состоит из четырёх источников: выбранных наборов данных из GiftEvalPretrain; пользовательских синтетических данных на основе KernelSynth с модифицированными периодическими ядрами и ограниченным аугментированием; корпуса TSMixup, созданного по подходу, описанному в статье Chronos, но ограниченного наборами данных, не входящими в оценочный набор GIFT‑Eval; и примерно 500 000 синтетических последовательностей CauKer длиной 4 096 каждый. В карточке модели отмечено, что набор CauKer был сгенерирован командой FlowState от IBM, а также приводится arXiv‑статья 2026 года «Revisiting the Generic Transformer: Deconstructing a Strong Baseline for Time Series Foundation Models» как основа подхода.

Пользователи могут выбрать либо лицензию Apache 2.0, либо OpenMDW 1.0 — рамочную лицензионную схему Linux Foundation, разработанную для AI‑моделей и сопутствующих материалов. IBM заявила, что обе лицензии предоставляют широкие, разрешительные права на использование, модификацию и распространение модели, и направлены на снижение барьеров для её принятия. В раскрытии на карточке модели указано, что разработчики IBM создали код как проект с открытым исходным кодом, а не как продукт IBM, и что IBM не обязана предоставлять улучшения, обновления или поддержку.

Доступность и контекст семейства Granite

Весы можно скачать с Hugging Face Hub и загрузить через пакет granite‑tsfm версии 0.3.9 или новее с помощью pipeline API. Пример кода от IBM генерирует прогноз, включая запрошенные квантили, из последних 512 образцов серии ETTh1, и IBM позиционирует модель для прогнозирования спроса, цен, нагрузок энергии, трафика, телеметрии и других регулярно измеряемых временных рядов.

Для потоковых развертываний IBM и Confluent предоставили несколько моделей Granite Time Series (PatchTST‑FM‑r1, FlowState‑r1.1, TTM‑r3 и TSPulse) через программу Early Access в Confluent Cloud, где инференс фундаментальных моделей осуществляется на живых потоках с помощью Apache Flink.

Обзор IBM Research семейства фиксирует генеалогию, предшествующую выпуску: TST в 2021 году, одна из первых моделей на основе трансформеров, применённых к временным рядам; PatchTST в 2023 году, который ввёл патчинг и независимость каналов; Tiny Time Mixer в 2024 году; и FlowState в 2025 году. Согласно этому обзору, модели в совокупности обучались на более чем 100 млрд точек данных, а модели TTM собрали более 37 млн загрузок на Hugging Face. PatchTST‑FM‑r1, прямой предшественник новой модели, был совместно разработан с Rensselaer Polytechnic Institute, а модели исследовательской версии IBM распространяются под нелицензионной (некоммерческой) лицензией, тогда как линейка Granite опубликована под Apache 2.0.